19th International Symposium of Electrical Engineering
SIE 2021
Abstract
Protection against pathogens relies on complex interactions between organs, tissues, cells, and molecules that make up the body’s immune system. In the past decades, a substantial amount of effort has been devoted to understanding the immune system, especially at the implementation level. The problem that still remains unsolved is how Th cells are modulated by different signals not only to recognize antigens but also to induce and bias the activities of the groups of effector cells for evicting pathogens more efficiently by translating the recognized antigen information. To understand this is necessary to revise the concept of immunological learning and presented it with a modern mathematical basis by focusing on the computational and algorithmic levels. To implement these levels, will assume that the immunological system is a cyber-physical system. ML-based data-driven methods in modeling have a poor performance, for this is structuring a process for modeling the immune system employing the Information processing pipeline abstraction, implemented by a Modular Research Information Management Platform for Modeling the Immune System with Hybrid Physics Guided Machine Learning Techniques in a KNIME-based analytical platform. With its help, is possible to facilitate the hybridization between Physics and Machine Learning models, Combining Multiple Learners, facilitates drug repositioning strategies, shortens the time period from data collection to the identification of hidden relationships in the data, make possible the precision of patient´s drug dosage, and help to better understanding the immunological system and discovery new interactions between cells. All of these will be better care the disease and help to prevent new pandemics.
Resumen
La protección contra patógenos se basa en interacciones complejas entre órganos, tejidos, células y moléculas que forman el sistema inmunológico del cuerpo humano. En las últimas décadas, se ha dedicado una considerable cantidad de esfuerzo a comprender el sistema inmunológico, especialmente a nivel de implementación. El problema que aún permanece sin resolver es cómo las células Th son moduladas por diferentes señales no solo para reconocer antígenos sino también para inducir y sesgar las actividades de los grupos de células efectoras para expulsar patógenos de manera más eficiente al traducir la información de antígenos reconocidos. Para entender esto, es necesario revisar el concepto de aprendizaje inmunológico y presentarlo con una base matemática moderna enfocándose en los niveles computacional y algorítmicos. Para implementar estos niveles, se asumirá que el sistema inmunológico es un sistema ciber físico. Los métodos de modelado basados en datos mediante Aprendizaje Automático tienen un rendimiento deficiente, porque no está estructurando un proceso para modelar el sistema inmunológico empleando la abstracción de la cadena de procesamiento de información, implementada por una plataforma de gestión de información de investigación modular para modelar el sistema inmunológico con una máquina guiada por física híbrida de Técnicas de aprendizaje en una plataforma analítica basada en KNIME. Con su ayuda, es posible facilitar la hibridación entre modelos de Física y Aprendizaje Automático, Combinando Múltiples Aprendices se facilitan las estrategias de reposicionamiento de fármacos, se acorta el período de tiempo desde la recolección de datos hasta la identificación de relaciones ocultas en los datos, se posibilita la determinación de la dosis con precisión del fármaco del paciente, y posibilita ayudar a comprender mejor el sistema inmunológico y descubrir nuevas interacciones entre las células. Todo esto ayudará a combatir la enfermedad y prevenir nuevas pandemias
About The Speaker
Dr. Armando Plasencia
Researcher at Cybernetics, Mathematics and Physics Institute, Havana, Cuba.
Chief of National Program of Automatics, Robotics and Artificial Intelligence Projects
Also works as a professor at UCI University
